論文の概要: Scaling Articulated Rationales for MLLM-based Recommendation

• arxiv url: http://arxiv.org/abs/2609.17639v2
• Date: Mon, 21 Sep 2026 12:33:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:28:59.919386
• Title: Scaling Articulated Rationales for MLLM-based Recommendation
• Title（参考訳）: MLLMに基づくレコメンデーションのためのスケーリングArticulated Rationals
• Abstract要約: 本稿では,疎密なユーザ論理をスケーラブルなレコメンデーション信号に変換する産業フレームワークであるSARAを紹介する。 SARA-Rankerは、生成した正と負の有理を、ユーザ-オーサリングの相互作用モデリングと負のフィードバック履歴モデリングの機能に翻訳する。 マルチモーダルな特徴を持つ強い産業ランキングのベースラインに加えて、オンラインA/Bテストでは、ポジティショナル・リテラル統合はウォッチタイムを0.99%$、負のリテラル統合はHateのフィードバックを8.16%$に下げている。
• 参考スコア（独自算出の注目度）: 47.47487161625309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We presented SARA, an industrial framework that transforms sparse articulated user rationales into scalable recommendation signals. Its data engine curates questionnaire responses into SARA-HQ, providing explicit preference supervision for aligning SARA-7B through SFT and Quality-Refining DPO. This alignment extends rationale generation from $86{,}564$ questionnaire-covered authors to the full $10$M-author space. SARA-Ranker translates the generated positive and negative rationales into features for user--author interaction modeling and negative-feedback history modeling, connecting articulated reasons to production ranking. Evaluation on unseen authors demonstrates that SARA-7B generates more specific, relevant, and grounded rationales than the evaluated general-purpose MLLMs. On top of a strong industrial ranking baseline with multimodal features, separate online A/B tests show that positive-rationale integration increases watch time by $0.99\%$, while negative-rationale integration reduces Hate feedback by $8.16\%$. Daily refresh and more than $30$ days of production deployment further demonstrate the operational feasibility of the approach. These findings establish articulated rationales as a useful complement to behavioral and content signals, and demonstrate a practical role for MLLMs in scaling sparse human explanations into preference information that improves industrial recommendation.
• Abstract（参考訳）: 我々は、疎密なユーザ論理をスケーラブルなレコメンデーション信号に変換する産業フレームワークであるSARAを紹介した。 データエンジンは質問応答をSARA-HQにキュレートし、SARA-7BをSFTとQuality-Refining DPOで調整するための明示的な選好監督を提供する。 このアライメントは、86{,}564ドルのアンケート対象の著者から、完全な10億ドルの著者スペースまで、合理的な生成を延長する。 SARA-Rankerは、生成した肯定的および否定的論理を、ユーザ-著者間相互作用モデリングと負フィードバック履歴モデリングの機能に翻訳し、明示的な理由とプロダクションランキングを結びつける。 未知の著者に対する評価は、SARA-7Bが、評価された汎用MLLMよりも、より具体的で、関連性があり、根拠のある有理性を生成することを示した。 マルチモーダル機能を備えた強力な産業ランキングベースラインに加えて、オンラインA/Bテストでは、ポジティリチャール統合はウォッチタイムを0.99 %$、負リチャール統合はHateのフィードバックを8.16 %$に下げている。 毎日のリフレッシュと30ドル以上の製品展開は、このアプローチの運用可能性をさらに示している。 これらの知見は, 行動・内容信号の補完として有意な有理性を確立し, 産業レコメンデーションを改善するための選好情報に, まばらな人間の説明を拡大する上で, MLLMが実践的な役割を担っていることを証明した。

関連論文リスト

• LLMAR: A Tuning-Free Recommendation Framework for Sparse and Text-Rich Industrial Domains [0.0]
  産業用B2Bアプリケーションは極端なデータ空間に直面するが、リッチなテキストインタラクションが特徴である。 チューニング不要なフレームワーク LLMAR (LLM-Annotated Recommendation) を提案する。 推論駆動(Inference-Driven)、リフレクションループ(Reflection Loop)、コスト効果アーキテクチャ(Cost-Effective Architecture)の3つのコアコントリビューションを紹介します。
  論文  参考訳（メタデータ） (2026-03-25T02:49:27Z)
• Improving LLM-based Recommendation with Self-Hard Negatives from Intermediate Layers [80.55429742713623]
  ILRecはLLMベースのレコメンデーションシステムのための新しい好みの微調整フレームワークである。 負の信号に対してトークンレベルの報酬を割り当てるための軽量な協調フィルタリングモデルを提案する。 3つのデータセットの実験は、LLMベースのレコメンデータシステムの性能向上におけるILRecの有効性を示している。
  論文  参考訳（メタデータ） (2026-02-19T14:37:43Z)
• Towards Trustworthy LLM-Based Recommendation via Rationale Integration [1.9124955180802976]
  LLMに基づくレコメンデータ(LLM-Rec)を提案する。 提案手法では,自己アノテートされた有理数データセットと,有理数ファースト形式の命令チューニングを利用する。 Amazon Reviewデータセットのファッションと科学ドメインに関する実験は、確立されたベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-11-07T08:30:29Z)
• Large Language Models can be Strong Self-Detoxifiers [82.6594169242814]
  SASA(Self-disciplined Autoregressive Smpling)は、大規模言語モデル(LLM)の毒性低減のための軽量制御復号アルゴリズムである。 SASAは、自己回帰サンプリング戦略を調整することにより、電流出力のマージンを追跡し、有害な部分空間から世代を分離する。 Llama-3.1-Instruct (8B), Llama-2 (7B), GPT2-L model with the RealToxicityPrompts, BOLD, and AttaQ benchmarks。
  論文  参考訳（メタデータ） (2024-10-04T17:45:15Z)
• LLMEmb: Large Language Model Can Be a Good Embedding Generator for Sequential Recommendation [57.49045064294086]
  大きな言語モデル(LLM)は、その人気とは無関係に、アイテム間の意味的関係をキャプチャする能力を持つ。 LLMEmb(LLMEmb)は、LCMを利用してアイテム埋め込みを生成し、逐次レコメンダシステム(SRS)の性能を向上させる手法である。
  論文  参考訳（メタデータ） (2024-09-30T03:59:06Z)
• Efficient and Deployable Knowledge Infusion for Open-World Recommendations via Large Language Models [53.547190001324665]
  大規模言語モデル(LLM)からユーザとアイテムに関する2種類の外部知識を取得するためのREKIを提案する。 個別の知識抽出と個別の知識抽出を,異なるシナリオのスケールに合わせて開発し,オフラインのリソース消費を効果的に削減する。 実験によると、REKIは最先端のベースラインより優れており、多くの推奨アルゴリズムやタスクと互換性がある。
  論文  参考訳（メタデータ） (2024-08-20T03:45:24Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。